Meta: Muse Spark Open

Meta: Muse Spark Open es un modelo de texto de Meta, lanzado el 15 de octubre de 2026. Se describe como un modelo de pesos abiertos optimizado para programación, entrenado específicamente para flujos de trabajo de programación agéntica. Ese enfoque se refleja en los objetivos declarados de mayor precisión en el primer intento, llamadas a herramientas fiables y una comprensión profunda de las bases de código en los repositorios en los que trabajan los desarrolladores. Si estás creando herramientas para desarrolladores o automatizando trabajo dentro de un repositorio existente, este modelo está dirigido directamente a ese entorno en lugar de al chat general por sí solo.

En el lado de la entrada, Muse Spark Open acepta texto, imágenes, vídeo, archivos y audio, mientras que su salida es solo texto. La ventana de contexto es de 1.048.576 tokens, y la salida máxima es de 943.718 tokens. Esa combinación de un contexto muy grande y un presupuesto de salida muy grande significa que puedes introducir fuentes largas, como archivos grandes o transcripciones extensas, y aún dejar espacio para una respuesta generada sustancial. El soporte de entrada multimodal merece mención para el trabajo de programación: capturas de pantalla, archivos de diseño, recorridos grabados y notas de audio pueden formar parte de la misma solicitud junto con el texto circundante.

Los usos prácticos se derivan de esas capacidades. Los flujos de trabajo de programación agéntica son el encaje más claro, ya que el modelo está entrenado para llamadas a herramientas y comprensión de bases de código, lo que se adapta a tareas como navegar por un repositorio, planificar cambios de varios pasos e invocar herramientas como parte de un bucle. El contexto grande ayuda cuando una tarea depende de muchos archivos o de un historial largo de pasos previos. Como se aceptan imágenes, vídeo, audio y archivos como entrada, también puedes crear flujos que conviertan una grabación de pantalla, un mockup de interfaz o un informe de error hablado en salida de texto, como un resumen escrito, una descripción de parche o un informe estructurado. Los controles de razonamiento y las salidas estructuradas lo hacen utilizable en canalizaciones donde el resultado tiene que ser analizado en lugar de leído por una persona.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "meta/muse-spark-open". Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. En la práctica, eso significa que puedes ajustar el muestreo con temperature, top_p, top_k y min_p, aplicar penalizaciones, limitar la respuesta con max_tokens, restringir la salida con response_format o structured_outputs, y configurar el llamamiento a funciones con tools y tool_choice. Los parámetros reasoning y reasoning_effort, junto con include_reasoning, te permiten controlar cuánto razonamiento interno se expone o se solicita, y seed más logprobs o top_logprobs permiten generaciones reproducibles o inspeccionadas.

Un límite que hay que tener en cuenta es que la salida es solo texto, así que cualquier tarea que necesite imágenes, audio o vídeo generados requerirá un modelo diferente. El modelo también está explícitamente optimizado para programación, así que para trabajo que no tenga nada que ver con código o con el uso agéntico de herramientas, un modelo de texto de propósito general puede ser una elección más sencilla.